[发明专利]基于深度学习的微分相衬CT不完备数据重建方法

权利要求书

1.一种基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，包括如下步骤：

步骤1、使用滤波反投影重建算法FBP对微分相衬CT即DPC-CT不完备投影序列进行重建，获得初始重建图像；所述初始重建图像是由于投影序列不完备，在FBP重建结果中存在伪影和噪声；

步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列；所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量满足完备性条件，即满足奈奎斯特采样定律；

步骤3、利用微分算子从所述被伪影污染的完备投影序列中获得被伪影污染的微分相衬CT完备投影序列；所述的被伪影污染的微分相衬CT完备投影序列指的是从被伪影污染的完备投影序列中解析出的微分相衬信息；

步骤4、利用深度学习技术对所述的被伪影污染的微分相衬CT完备投影序列进行处理，获得不含伪影的微分相衬CT完备投影序列；所述不含伪影的微分相衬CT完备投影序列是利用深度学习技术对被伪影污染的微分相衬CT完备投影序列进行处理，得到的投影序列已不再包含伪影，且序列数量满足完备性条件；

步骤5、利用FBP重建算法对所述的不含伪影的微分相衬CT完备投影序列进行重建，获得最终的重建结果图像。

2.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，所述的不完备的投影序列可以是由各种成像条件限制所导致的不完备数据，包括稀疏角数据、有限角数据。

3.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，所述步骤1使用FBP重建算法产生初始重建图像；针对不同的DPC-CT成像系统所获得的投影序列，使用对应的FBP重建算法；扇束成像系统的FBP重建算法如公式(1)-(2)：

其中，δ(x,y)代表重建结果，U代表成像系统权重矩阵，α_θ(s)代表DPC投影序列，h(v)代表Hilbert滤波器，v为频率变量，θ为旋转角度。

4.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，步骤3对相衬投影使用如公式(4)所示的微分算子产生微分相衬投影；

其中，P(s,θ)为所述的被伪影污染的完备投影序列，α_θ(s)代表被伪影污染的DPC-CT完备投影序列。

5.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，步骤4所使用的深度学习算法是对所述的被伪影污染的微分相衬CT完备投影序列进行处理，而不是处理初始重建结果。